给出一个用于SVM的数据集

支持向量机（Support Vector Machine, SVM）是一种监督学习模型，主要用于分类和回归分析。在开始处理SVM数据集之前，你需要准备一个包含特征（输入变量）和标签（输出变量）的数据集。这个数据集可以分为两类：

1. **二元分类**：
-1，代表两个类别。
- 格式：CSV、Excel 或者矩阵形式，例如 `[[1, 2], [3, 4], [-1, -2], [-3, -4]]`，其中第一列是特征，第二列是目标值。

2. **多元分类**：
- 数据：每个样本有多个特征，每个特征对应一个数值；标签可以是离散的类别编号（0, 1, 2...），或者是一系列概率分数。
- 格式：如 `[[x1_1, x1_2, ...], [x2_1, x2_2, ...], ..., [xn_1, xn_2, ...]], [labels]`。

3. **带缺失值或异常值的数据**：
- 需要做预处理，填充缺失值或删除异常值，并可能需要标准化或归一化数据以提高SVM的效果。

**创建一个简单的SVM数据集示例**（假设我们是在Python中）：

import numpy as np
from sklearn.datasets import make_classification

# 创建一个二分类问题的数据集
X, y = make_classification(n_samples=100, n_features=5, n_classes=2, random_state=42)

# 将数据划分为训练集和测试集（这里仅展示如何划分，实际应用会使用sklearn.model_selection模块）
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

在这个例子中，`make_classification`函数生成了一个随机的二分类数据集。你可以根据实际情况调整参数，如特征数、样本数、类别分布等。